Chetan Alsisaria, CEO e Co-Fundador, Polestar Analytics – Série de Entrevistas

Chetan Alsisaria, CEO e Co-Fundador é um líder de tecnologia empresarial especializado em dados, análise e transformação impulsionada por IA. Após funções iniciais na Deloitte, PwC e EY, ele co-fundou a Polestar Analytics em 2012 e, desde então, a escalou para uma empresa global de IA e dados. Ele lidera vendas, alianças estratégicas, desenvolvimento de serviços e entrega técnica, além de atuar como Presidente do CAIO Circle, uma comunidade para líderes de IA focada em promover a adoção responsável e prática de IA. Além disso, ele co-fundou a Xumane Equity, refletindo seu foco mais amplo na inovação em sistemas e plataformas empresariais.

Polestar Analytics é uma empresa global de convergência de IA e dados que ajuda as empresas a transformar dados fragmentados em insights ações através de sua plataforma 1Platform proprietária. Ao unificar engenharia de dados, análise, IA e fluxos de trabalho empresariais em um único ecossistema, a empresa permite que as organizações melhorem a tomada de decisões, otimizem operações e escalonem a adoção de IA. Com um foco forte em casos de uso específicos de indústria e resultados mensuráveis, a Polestar evoluiu de uma empresa liderada por consultoria para um negócio impulsionado por plataforma que entrega soluções simplificadas e impulsionadas por inteligência em escala empresarial.

Você co-fundou a Polestar Analytics em 2012, após funções na Deloitte, PwC e EY. Qual foi a lacuna na área de dados e análise empresarial que você viu na época, e como essa visão original evoluiu para a plataforma 1Platform impulsionada por IA de hoje?

Você sabe, quando Ajay, Amit e eu começamos a Polestar Analytics em 2012, a ironia era marcante; as empresas estavam afogadas em dados, mas morrendo de fome por decisões. Todos estavam coletando tudo, mas a lacuna entre ter dados e fazer algo significativo com eles era enorme. Esse é o problema que nos propusemos a resolver.

Avançando para hoje, e honestamente, o problema não desapareceu, apenas mudou de forma. O volume é maior, as apostas são mais altas, e agora você tem agentes ao lado dos humanos que precisam dar sentido a tudo isso. Isso tornou nossa visão original mais clara, não mais confusa.

Nossa missão, Dados para Resultados, Simplificados!, é realmente o fio que conecta 2012 ao presente. Começamos com a entrega de dados; obtendo os dados certos para as pessoas certas no momento certo. Então, a IA entrou em cena e amplificou o que era possível. Agora, com a 1Platform, estamos avançando; simplificando e maximizando resultados, não apenas para humanos, mas também para os agentes que estão cada vez mais tomando ou informando decisões.

O que é emocionante é como nosso ecossistema amadureceu para apoiar isso. Nossas integrações profundas com a Microsoft (MSFT ), Databricks e Anaplan ajudam a trazer dados, casos de uso empresariais e planejamento juntos. E a 1Platform se situa em todos esses ambientes, nativa para esses ambientes, não apenas acoplada.

Então, a evolução realmente parece assim: entrega de dados → insights amplificados por IA → resultados simplificados e prontos para agentes. A busca por excelência é a mesma. A velocidade com que podemos chegar lá é o que mudou exponencialmente.

A Polestar Analytics se posiciona como uma empresa de convergência de dados e IA. O que a convergência realmente significa na prática para grandes empresas que lidam com sistemas fragmentados e dados isolados?

A maioria das vezes, a fragmentação não é um problema de tecnologia, é um problema de pessoas e processos. É como se você tivesse uma equipe de finanças executando em Anaplan, uma equipe de operações vivendo em Excel, uma equipe de engenharia de dados construindo pipelines em Azure, e todos puxando em direções diferentes com definições diferentes da mesma métrica. Nenhuma quantidade de IA resolve um problema de confiança se a base está quebrada.

Então, quando falamos de convergência, queremos dizer resolver essa base primeiro. Antes de poder camada de inteligência em cima, você precisa de dados que sejam limpos, governados e criticamente acessíveis. Não apenas para seus analistas, mas cada vez mais para seus agentes também.

Na prática, a convergência com a 1Platform parece assim: não estamos substituindo o que as empresas construíram. Vamos para os ambientes nativos em que elas já vivem, como Databricks, Microsoft e Anaplan, e costuramos a camada de dados e inteligência por cima deles. Seus dados de planejamento em Anaplan falam com seus dados operacionais em Databricks, e o ecossistema da Microsoft é onde as decisões realmente surgem para as pessoas e agentes agirem.

A mágica não está em nenhuma dessas integrações. Está na camada de conexão da 1Platform que torna tudo parecido com um sistema coerente em vez de ferramentas desconexas. É isso que a convergência parece na prática, uma simplificação deliberada até que a complexidade se torne invisível para o negócio.

Sua plataforma 1Platform proprietária visa unificar dados, IA e fluxos de trabalho em um único sistema. Como essa abordagem difere de pilhas de BI tradicionais ou plataformas de dados modernas como Databricks ou Snowflake?

Databricks e Snowflake são plataformas poderosas, não estamos competindo com elas, estamos construídas em cima delas. Essa distinção é importante. Databricks fornece infraestrutura e computação. Nós nos situamos acima disso e fazemos uma pergunta diferente: agora, o que?

As pilhas de BI tradicionais obtiveram muitas coisas certas para a sua época, mas a inteligência empresarial evoluiu. Hoje, os usuários de negócios precisam de mais do que dashboards. Você pode ter um dashboard com quinze gráficos, e alguém ainda precisa interpretar o que significa e decidir o que fazer em seguida. Essa lacuna entre insight e ação é exatamente onde a 1Platform opera.

A 1Platform não é estática, continua evoluindo. Ela não apenas responde às perguntas que você traz; ela apresenta perguntas que você nem pensou em fazer. Isso muda a relação entre os usuários de negócios e seus dados.

Construímos interfaces de baixo código e sem código em cima de Databricks e Azure que permitem que pipelines sejam criados em segundos. Tarefas que antes levavam dias para os engenheiros de dados agora podem ser disparadas por usuários de negócios. Além disso, a IA Agenthood permite que os usuários criem e orquestrem agentes por meio de interfaces simples de arrastar e soltar sem profundo conhecimento técnico.

Mas a verdadeira diferença está na experiência do usuário final. Em vez de pular entre vários dashboards, os usuários recebem insights em linguagem natural, recomendações contextuais e narrativas impulsionadas por agentes. Os KPIs não apenas ficam na tela; os agentes monitoram ativamente, sinalizam o que importa e explicam por quê. A diferenciação não está na plataforma de dados em si, mas em tudo o que acontece após os dados estarem prontos.

Muitas empresas ainda estão presas no que é frequentemente chamado de “purgatório de piloto de IA”. Quais são as principais barreiras estruturais ou organizacionais que impedem a IA de alcançar a produção em escala?

Eu chamo de “cementério de pilotos” porque a maioria dos projetos não apenas para, mas morre silenciosamente. As principais barreiras não são técnicas, são organizacionais. Pessoas, processos e dados.

O gerenciamento de mudanças é consistentemente subestimado. Quando você redesenha como as pessoas trabalham, você desafia como elas derivam valor. As organizações que têm sucesso são aquelas em que a liderança torna a proficiência em IA visivelmente importante. Quando o desenvolvimento de habilidades é recompensado e a redesenho de processos é apoiado estruturalmente, a adoção acelera.

Então, há o problema da curva em J. Os investimentos em IA frequentemente caem antes de subir. Muitas organizações esperam ROI dentro de 90 dias, não o veem e abandonam o esforço. As que têm sucesso se comprometem com a curva completa.

A preparação dos dados é outro fator crítico. Dados ruins levam a decisões confiantemente erradas. Até que a base de dados seja confiável, a IA em escala se torna um passivo em vez de um ativo.

Finalmente, a disciplina do caso de uso importa. Em vez de tentar fazer tudo com IA, as organizações precisam se concentrar em casos de uso que movem métricas de negócios reais, provam-nos e, em seguida, escalonam.

Na Polestar Analytics, trazer dados, IA e fluxos de trabalho para um só lugar acelera tanto a descoberta de problemas quanto a identificação de oportunidades, transformando a convergência em um catalisador de mudança.

A IA agente está se tornando um tema importante na indústria. Como a Polestar Analytics está pensando sobre agentes de IA dentro dos fluxos de trabalho empresariais, e quais casos de uso do mundo real estão ganhando tração?

Para nós, os agentes devem ser incorporados tanto na camada de dados quanto nos fluxos de trabalho empresariais para criar valor real. Um agente de preços, por exemplo, não é apenas um LLM sentado em um dashboard; está integrado à infraestrutura de dados, entende o contexto e apoia a tomada de decisões reais.

Entre nossos 100+ agentes, alguns atuam como assistentes, enquanto outros são totalmente automatizados. A adesão mais forte está em gestão de crescimento de receita, incluindo preços, promoções e mix de mídia, onde as decisões são frequentes e intensivas em dados.

No lado da engenharia, agentes de monitoramento de pipeline e resolução de erros já estão em uso. Agentes de FinOps reduziram os custos de nuvem não utilizados em 35 por cento. Há também uma forte adoção na gestão de patrimônio.

Apoiamos tanto o ecossistema da Microsoft quanto o da Databricks e oferecemos uma plataforma personalizada para construir agentes. Nem todos os agentes precisam ser baseados em LLM; a arquitetura deve corresponder ao caso de uso para equilibrar escala e custo.

A governança é essencial. Com agentes interagindo com sistemas financeiros ou dados de clientes, fortes barreiras e supervisão humana são incorporadas para garantir confiabilidade em escala empresarial.

Com sua recente captação de recursos, você está dobrando a aposta no desenvolvimento de IP. Quão importante é possuir plataformas proprietárias em comparação com a construção sobre ecossistemas existentes no cenário de IA de hoje?

Nós estamos profundamente integrados a plataformas como Databricks, Microsoft e Anaplan, que fornecem infraestrutura e escala. Não estamos tentando substituí-las.

Nosso foco está em possuir a camada de inteligência em cima. A propriedade de IP permite que controlemos a experiência, incorporamos conhecimento de domínio e entregamos valor consistente em escala.

Nossa diferenciação vem do conhecimento de indústria. Seja o PromoPulse AI para gestão de crescimento de receita ou o WealthPulse para serviços financeiros, o valor está em entender casos de uso do mundo real e decisões.

A propriedade de IP, para nós, é a codificação desse conhecimento. É o que torna a plataforma defensável e genuinamente útil.

Você trabalhou em estreita colaboração com empresas do Fortune 1000. Como as expectativas em torno do ROI da IA estão mudando à medida que os executivos exigem resultados mensuráveis em vez de experimentação?

A mudança é real, mas a experimentação não desapareceu. Agora, é esperado que se mova mais rápido e se conecte a resultados tangíveis.

Os executivos agora avaliam o ROI por meio de lentes mais amplas, como velocidade de decisão, lealdade do cliente, capacidade de inovação e resiliência.

O ROI da IA não é mais de propriedade de um único líder. O CTO se concentra na infraestrutura e nos dados, o CFO olha para o impacto financeiro, e o COO enfatiza a eficiência operacional.

As organizações que têm sucesso alinham essas perspectivas cedo e se comprometem com resultados de longo prazo.

Sua estratégia de expansão inclui a América do Norte e a Europa. Quais são as diferenças que você está vendo na maturidade da adoção de IA e na prontidão das empresas nessas regiões?

A diferença é mais sobre mentalidade do que capacidade.

A América do Norte prioriza velocidade e experimentação, impulsionada pela pressão competitiva.

A Europa enfatiza a governança e a ética da IA desde o início. No entanto, isso não significa adoção mais lenta. As empresas estão equilibrando estrutura com aceleração.

Ambas as regiões estão convergindo para a IA escalável e responsável incorporada às operações centrais.

Você recentemente fundou o CAIO Circle para reunir líderes de IA. Quais são as conversas mais urgentes acontecendo entre os Oficiais de IA, especialmente em torno da governança e da ética?

O CAIO Circle foi criado para dar aos líderes de IA um espaço para discussões abertas.

O desafio central é equilibrar velocidade com risco de longo prazo. Confiança e explicabilidade são preocupações maiores, especialmente à medida que os sistemas de IA influenciam decisões críticas.

A governança está mudando de documentos de política para práticas operacionais incorporadas. Ao mesmo tempo, muitas organizações ainda carecem de modelos de execução para entregar suas estratégias de IA.

As insights mais valiosas frequentemente vêm de discussões francas entre pares, em vez de apresentações formais.

Olhando para os próximos três a cinco anos, você espera que a IA empresarial se consolide em plataformas unificadas como a sua, ou permaneça um ecossistema fragmentado de ferramentas e fornecedores? Onde a Polestar Analytics visa se posicionar nesse futuro?

A fragmentação provavelmente continuará. Principais plataformas como Databricks, Microsoft, Salesforce e Anaplan permanecerão como jogadores centrais.

O que as empresas precisam é de uma camada unificadora que conecte dados, inteligência e fluxos de trabalho em algo ação. É o papel que a 1Platform foi projetada para desempenhar.

O futuro favorecerá plataformas com profundo conhecimento vertical. Soluções horizontais genéricas lutarão para se diferenciar.

O valor real virá do entendimento das necessidades específicas da indústria e da incorporação de inteligência diretamente nos fluxos de trabalho de tomada de decisões.

Obrigado pela grande entrevista, leitores que desejam aprender mais devem visitar Polestar Analytics.